Marketing Analytics

Unidad 1 - Investigación de Mercados y Métodos Analíticos

Enver G. Tarazona Vargas
tarazona_eg@up.edu.pe

1MN022 - Investigación de Mercados Aplicada
Universidad del Pacífico

¿Qué aprenderás?

  1. Definir la importancia de los datos en la investigación de mercados.
  2. Qué es Marketing Analytics y las principales tendencias de análisis de datos.
  3. Definir que es Ciencia de Datos y Machine Learning.
  4. Entender qué es Big Data y su importancia en investigación de mercados.

Introducción

La importancia de los datos

  • Datos = “Petróleo” de la economía digital.

  • Las aplicaciones móviles/online generan grandes flujos de datos.

  • Los especialistas en marketing buscan aprovechar los datos para:

    • construir y mantener relaciones con los clientes

    • personalizar productos, servicios y la mezcla de marketing

    • automatizar los procesos de marketing en tiempo real.

Big Bang de la Analítica

Big Data y Marketing

  • Big data está generando culturas de decisión basadas en datos en las empresas, brindando ventajas competitivas, y teniendo un impacto significativo en su desempeño financiero.

  • Formas completamente nuevas de marketing: sistemas recomendadores, geofencing, marketing de búsqueda (SEO/SEM) y retargeting.

  • Demanda urgente de métodos analíticos nuevos y más potentes que hagan que las operaciones de marketing basadas en datos sean más eficientes y efectivas.

  • Aún no está lo suficientemente claro qué tipos de análisis funcionan para qué tipos de problemas y datos, o cómo las empresas deben evolucionar.

Analisis para decisiones en Marketing

Avances en Métodos Analíticos

  1. Gestión de las relaciones con los clientes (CRM): Adquisición, retención y satisfacción de los clientes para mejorar su valor de vida para la empresa.

  2. La mezcla de marketing : Respaldo en la asignación de recursos para mejorar la eficacia del esfuerzo de marketing

  3. Personalización de la mezcla de marketing a consumidores individuales, en la que se han logrado avances significativos como resultado del desarrollo de varios enfoques para capturar la heterogeneidad de los clientes.

  4. Privacidad y seguridad.

Marketing Analytics: Línea de tiempo

Estado del arte y sus aplicaciones

Temas para futuras investigaciones

Marketing Analytics y Ciencia de Datos

¿Qué es Ciencia de Datos?

  • El proceso de usar datos para entender distintas cosas, para entender el mundo que nos rodea.
  • Usar datos para validar una hipótesis sobre un problema o un modelo
  • El arte de de descubrir insights y tendencias que se esconden detrás de los datos.
  • Traducir datos en una historia para generar insights y de esta manera tomar decisiones estratégicas para una compañía e institución.
  • Es un campo de estudio relacionado con procesos y sistemas, para extraer datos de varias formas, ya sea una forma estructurada o no.
  • Trabajar con datos para encontrar respuestas a las preguntas que se están explorando.

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Qué es Ciencia de Datos?

¿Por qué el interés reciente en Ciencia de Datos?

Habilidades para Ciencia de Datos

Habilidades para Ciencia de Datos

Habilidades para Ciencia de Datos

Habilidades para Ciencia de Datos

Proyecto de Ciencia de Datos

Machine Learning

Aprendizaje de Máquinas (Machine Learning)

Machine Learning: Contexto Empresarial

Machine Learning ayuda a responder preguntas como:

  • ¿Qué método de publicidad impulsará más ventas?
  • ¿Será rentable la remodelación de una tienda costosa?
  • ¿Qué segmento de clientes comprará mi nuevo producto?
  • ¿Cuándo debería reponer el inventario?

Machine Learning: Deportes

Machine Learning: Salud

Machine Learning: Itinerarios

Machine Learning: Planeamiento de Vacaciones

Machine Learning vs. Estadística

Machine Learning vs. Inteligencia Artificial

Data Management System (DMS)

Tipo de Datos en Retail

Tipo de Datos en Retail

Los 4 fundamentos de ML

Los 4 fundamentos de ML

ML: Entendimiento de Datos

ML: Entendimiento de Datos

ML: Entendimiento de Datos

Entendimiento de Datos: Ejemplo en Retail

  • Agrupar tiendas en conglomerados usando datos del comportamiento del cliente para crear una política operativa única para múltiples tiendas.
  • Entender datos no estructurados, por ejemplo, textos descriptivos y comentarios.
  • Categorizar a los productos usando datos existentes.

ML: Predicción

Predicción: Ejemplo en Retail

ML: Toma de Decisiones

Toma de Decisiones: Ejemplos en Retail

ML: Inferencia Causal


  • Comprender si una determinada acción, decisión, intervención o cambio de política funcionó o no.

  • Identificar las causas y realizar la atribución (responsable)

Inferencia Causal: Ejemplos en Retail

En retail, la inferencia causal nos ayuda a responder preguntas como:

  • ¿Cuál fue el impacto de las decisiones operativas en el desempeño?

  • ¿Cómo atribuye las estrategias de adquisición de clientes que funcionaron o las que no?

Big Data

Las 4 V’s del Big Data

Big Data: Fuentes

Big Data: Ejemplo

https://www.up.edu.pe/